jsoup选择器来抓取网页中的数据
来源:互联网 发布:计算机二级java模拟题 编辑:程序博客网 时间:2024/05/19 23:56
JSOUP是一个没有界面的浏览器,用于分析和抓取网络html数据
使用他需要相关jar包,下载链接:http://pan.baidu.com/s/1sjuLGC1
例子:抓取http://www.ifanr.com/网页中指定规则新闻链接和标题
1.找到关键字<div class="entry-header">层下面的子标签<span>的属性数据就是想要的
try {Document doc = Jsoup.connect("http://www.ifanr.com/").get();Elements links = doc.select("div.entry-header");for (Element e : links) {Elements elements = e.select("span.number").select("a[href]");for (Element element : elements) {element.attr("href");element.attr("title").replace("Comment on ", "");getNewsDate(element.attr("href"));}}} catch (Exception e) {e.printStackTrace();}
2.抓取一个网页数据还不够,还需要该网站分页的数据,那就需要知道该网站有多少页数,这里是选择器
- [attr=value]:带有属性值的元素,例如[width=500] 用法
<span style="white-space:pre"></span>String html = null;int total = 0;Document doc = Jsoup.connect("http://www.ifanr.com/").get();Elements links = doc.select("div.content-nav");for (Element e : links) {for(Element ent :e.select("[title=跳转到最后一页]")){html = ent.attr("href");break;}}if(html!=null&&html.length()>0){int index = html.indexOf("http://www.ifanr.com/page/");if(index!=-1&&index<html.length()){try {total = Integer.parseInt(html.substring(index,html.length()));} catch (NumberFormatException e1) {total = 822;}}}
3.相关选择器API介绍
问题
采用CSS或类似jquery 选择器(selector)语法来处理HTML文档中的数据。
方法
利用方法:Element.select(String selector)和Elements.select(String selector)。
File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
Elements links = doc.select("a[href]"); // a with href
Elements pngs = doc.select("img[src$=.png]"); // img with src ending .png
Element masthead = doc.select("div.masthead").first();
// div with class=masthead
Elements resultLinks = doc.select("h3.r > a"); // direct a after h3
描述
Jsoup的元素支持类似CSS或(jquery)的选择器语法的查找匹配的元素,可实现功能强大且鲁棒性好的查询。
jsoup elements support a CSS(or jquery) like selector syntax to find matching elements, that allows very powerful and robust queries.
Select方法可作用于Document、Element或Elements,且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
The selectmethod is available in a Document, Element, or in Elements. It is contextual, so you can filter by selecting from a specific element, or by chaining select calls.
选择(操作)返回元素列表(Elements),并提供一组方法来提取或处理结果。
Select returns a list of Elements (as Elements), which provides a range of methods to extract and manipulate the results.
选择器概要(Selector overview)
- Tagname:通过标签查找元素(例如:a)
- ns|tag:通过标签在命名空间查找元素,例如:fb|name查找<fb:name>元素
- #id:通过ID查找元素,例如#logo
- .class:通过类型名称查找元素,例如.masthead
- [attribute]:带有属性的元素,例如[href]
- [^attr]:带有名称前缀的元素,例如[^data-]查找HTML5带有数据集(dataset)属性的元素
- [attr=value]:带有属性值的元素,例如[width=500]
- [attr^=value],[attr$=value],[attr*=value]:包含属性且其值以value开头、结尾或包含value的元素,例如[href*=/path/]
- [attr~=regex]:属性值满足正则表达式的元素,例如img[src~=(?i)\.(png|jpe?g)]
- *:所有元素,例如*
选择器组合方法
- el#id::带有ID的元素ID,例如div#logo
- el.class:带类型的元素,例如. div.masthead
- el[attr]:包含属性的元素,例如a[href]
- 任意组合:例如a[href].highlight
- ancestor child:继承自某祖(父)元素的子元素,例如.body p查找“body”块下的p元素
- parent > child:直接为父元素后代的子元素,例如: div.content > pf查找p元素,body > * 查找body元素的直系子元素
- siblingA + siblingB:查找由同级元素A前导的同级元素,例如div.head + div
- siblingA ~ siblingX:查找同级元素A前导的同级元素X例如h1 ~ p
- el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,例如div.masthead, div.logo
伪选择器(Pseudo selectors)
- :lt(n):查找索引值(即DOM树中相对于其父元素的位置)小于n的同级元素,例如td:lt(3)
- :gt(n):查找查找索引值大于n的同级元素,例如div p:gt(2)
- :eq(n) :查找索引值等于n的同级元素,例如form input:eq(1)
- :has(seletor):查找匹配选择器包含元素的元素,例如div:has(p)
- :not(selector):查找不匹配选择器的元素,例如div:not(.logo)
- :contains(text):查找包含给定文本的元素,大小写铭感,例如p:contains(jsoup)
- :containsOwn(text):查找直接包含给定文本的元素
- :matches(regex):查找其文本匹配指定的正则表达式的元素,例如div:matches((?i)login)
- :matchesOwn(regex):查找其自身文本匹配指定的正则表达式的元素
- 注意:上述伪选择器是0-基数的,亦即第一个元素索引值为0,第二个元素index为1等
详见SelectorAPI 参考资料所列全部信息和细节。
【原文】http://jsoup.org/cookbook/extracting-data/selector-syntax
示例完整代码
import java.io.IOException;import java.util.List;import org.jsoup.Jsoup;import org.jsoup.nodes.DataNode;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;public class Main {/** * @param args */public static void main(String[] args) {getNews("http://www.ifanr.com/");//p(getNewsDate("http://www.ifanr.com/462705"));}static int currentPage = 0;static String pageUrl = "http://www.ifanr.com/page/";static int totalPage = -1;public static void getNews(String url){currentPage++;try {Document doc = Jsoup.connect(url).get();if(totalPage==-1){totalPage = getTotalPageNo(doc);}Elements links = doc.select("div.entry-header");int index = 0;for (Element e : links) {Elements elements = e.select("span.number").select("a[href]");for (Element element : elements) {p(element.attr("href"));p(element.attr("title").replace("Comment on ", ""));p(getNewsDate(element.attr("href")));}index++;}while(currentPage<totalPage){getNews(pageUrl+currentPage);}} catch (Exception e) {e.printStackTrace();}}/** * 获取www.ifanr.com的新闻总页数http://www.ifanr.com/page/2 * @param doc * @return */public static int getTotalPageNo(Document doc){String html = null;int total = 822;Elements links = doc.select("div.content-nav");for (Element e : links) {for(Element ent :e.select("[title=跳转到最后一页]")){html = ent.attr("href");break;}}if(html!=null&&html.length()>0){int index = html.indexOf("http://www.ifanr.com/page/");if(index!=-1&&index<html.length()){try {total = Integer.parseInt(html.substring(index,html.length()));} catch (NumberFormatException e1) {total = 822;}}}return total;}/** * 获取新闻发布时间 * 20141023184715 * @param url * @return */public static long getNewsDate(String url){String dateStr = null;long date = 0;try {Document doc = Jsoup.connect(url).get();Elements links = doc.select("meta").select("[name=weibo: article:create_at]");for (Element e : links) {dateStr = e.attr("content").replace("-", "").replace(" ", "").replace(":", "");}} catch (IOException e) {e.printStackTrace();}if(dateStr!=null){date = Long.parseLong(dateStr);}return date;}public static void p(Object o) {System.out.println(o);}}
- jsoup选择器来抓取网页中的数据
- jsoup选择器来抓取网页中的数据
- jsoup 抓取网页数据
- Java抓取网页数据-----Jsoup
- HttpClient + Jsoup 网页数据抓取
- Jsoup网页数据抓取案例
- 网页数据抓取——使用jsoup
- 使用Jsoup进行网页数据抓取
- jsoup技术抓取网页数据大全
- Android利用jsoup抓取网页数据
- 用Jsoup包抓取网页数据
- httpClient及jsoup抓取解析网页数据
- 抓取网页中的数据
- JSOUP抓取网页内容
- Jsoup网页抓取技术
- 网页抓取jsoup
- 网页抓取jsoup
- jsoup抓取网页上的数据,Android同时获取数据
- 初级程序员需要知道的,关乎你在这条路上的将来。
- 解决百度排名停滞不前的三方法
- android4.0 屏幕切换(避免重走Activity的生命周期)
- Hadoop计算中的Shuffle过程
- SIP常用消息实例参考 5、ACK消息
- jsoup选择器来抓取网页中的数据
- pat 1007. Maximum Subsequence Sum
- vector底层实现
- MFC中实现字符串查找
- 分享java压力测试模版类 版本2
- 教你如何做有效内链
- StringUtils的isBlank与isEmply
- SIP常用消息实例参考 6、BYE消息
- android httpClient 支持HTTPS的2种处理方式